Pytorch 张量操作（创建，变形，元素选取，拼接）【Pytorch 基础第一话】

本文集成代码文件下载地址：

Debug 预备工作

为了方便我们查看张量数据，我们先编写一个用于输出张量数据的函数ptf_tensor

import torch
import random
import string

def ptf_tensor(t,tag='tensor_'):    
    salt = ''.join(random.sample(string.ascii_letters + string.digits, 5))
    if (tag=='tensor_'):tag=tag+salt
    print('\nThe info of {}:\n#############################\n  @dims: {}\n  @size: {}\n  @ele_sum: {}\n  @dtype: {}\n  @data:\n{}\n#############################\n'.format(tag,t.dim(),t.size(),t.numel(),t.dtype,t))

使用方法：ptf_tensor(张量，张量名字或者其他标记信息)
举例：

t2=torch.tensor([[0,1,2],[3,4,5],[6,7,8]])
ptf_tensor(t2,'common')

会有如下输出：

The info of common:
#############################
  @dims: 2
  @size: torch.Size([3, 3])
  @ele_sum: 9
  @dtype: torch.int64
  @data:
tensor([[0, 1, 2],
        [3, 4, 5],
        [6, 7, 8]])
#############################

张量创建

（1）指定数据

t2=torch.tensor([[0,1,2],[3,4,5],[6,7,8]])
ptf_tensor(t2,'common')

（2）特殊的张量

全0的，对角线是1的（单位矩阵），全部元素都是某个值的…

t=torch.zeros(3,3,1)
ptf_tensor(t,'zeros') # size(3,3,1)

t=torch.full((3,3),5.)
ptf_tensor(t,'full') # size(3,3), All elements are 5.

t=torch.eye(5)
ptf_tensor(t,'eye') # 对角线是1，其余是0 ，单位矩阵

（3）随机张量

指定最小最大值，和默认0-1

## 创建随机的张量：
t=torch.randint(low=0,high=4,size=(3,3)) #指定最大最小值
ptf_tensor(t,'randint') #创建离散分布的int类型随机数

t=torch.rand(3,3)
ptf_tensor(t,'rand') #创建 0-1之间的随机数

（4）数列

后面我们会经常使用torch.arange来创建示例数据调试

## 创建数列：
t=torch.arange(0,8,step=2) #差是2 的等差数列
ptf_tensor(t,'arange array') 

t=torch.arange(24)
ptf_tensor(t,'default step=1') # 默认0-23 step=1

张量变形

（1）reshape 重塑

reshape必须保证元素数量一致，如24=2 $\ast$ 6 $\ast$ 2=12 $\ast$ 2

t=torch.arange(24)
ptf_tensor(t,'before reshape') 
t2=t.reshape(2,6,2)
ptf_tensor(t2,'after reshape') 

(2) squeeze [压缩dim] 和 unsqueeze [增加dim]

squeeze可以删除多余的 dim，相反，unsqueeze可以增加新的dim

## squeeze(del) 和 unsqueeze(add)
t=torch.arange(12)
ptf_tensor(t)
t2=t.unsqueeze(dim=0)
ptf_tensor(t2,tag='t add dim=0')
t3=t.unsqueeze(dim=1)
ptf_tensor(t3,tag='t add dim=1')
t4=t3.squeeze(dim=1)
ptf_tensor(t4,tag='t del dim=1')

会有如下输出：

The info of tensor_3jC5N:
#############################
  @dims: 1
  @size: torch.Size([12])
  @ele_sum: 12
  @dtype: torch.int64
  @data:
tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
#############################


The info of t add dim=0:
#############################
  @dims: 2
  @size: torch.Size([1, 12])
  @ele_sum: 12
  @dtype: torch.int64
  @data:
tensor([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11]])
#############################


The info of t add dim=1:
#############################
  @dims: 2
  @size: torch.Size([12, 1])
  @ele_sum: 12
  @dtype: torch.int64
  @data:
tensor([[ 0],
        [ 1],
        [ 2],
        [ 3],
        [ 4],
        [ 5],
        [ 6],
        [ 7],
        [ 8],
        [ 9],
        [10],
        [11]])
#############################


The info of t delete dim=1:
#############################
  @dims: 1
  @size: torch.Size([12])
  @ele_sum: 12
  @dtype: torch.int64
  @data:
tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
#############################

张量元素选取

（1）数列元素选取

t=torch.arange(0,50,step=6)
ptf_tensor(t,'raw t')
ptf_tensor(t[3:6]) #选择index from 3 to 6
ptf_tensor(t[-2:],'from back select')

（2）定位选择

使用 index_select 函数

# 张量部分元素的选取
t=torch.arange(24).reshape(2,6,2)
index = torch.tensor([3,4]) # 选择第index=3和4的元素
ptf_tensor(t,'t')
ptf_tensor(t.index_select(1,index)) #在 dim=1 上选取
# 提示：观察【2，6，2】-->【2，2，2】

会有如下输出：

The info of t:
#############################
  @dims: 3
  @size: torch.Size([2, 6, 2])
  @ele_sum: 24
  @dtype: torch.int64
  @data:
tensor([[[ 0,  1],
         [ 2,  3],
         [ 4,  5],
         [ 6,  7],
         [ 8,  9],
         [10, 11]],

        [[12, 13],
         [14, 15],
         [16, 17],
         [18, 19],
         [20, 21],
         [22, 23]]])
#############################


The info of tensor_r0VpN:
#############################
  @dims: 3
  @size: torch.Size([2, 2, 2])
  @ele_sum: 8
  @dtype: torch.int64
  @data:
tensor([[[ 6,  7],
         [ 8,  9]],

        [[18, 19],
         [20, 21]]])
#############################

张量拼接

使用 cat 函数

# 张量的拓展和拼接
tp=torch.arange(12).reshape(3,4)
ptf_tensor(tp,'tp')
tn=-tp
ptf_tensor(tn,'tn')
tc0=torch.cat([tp,tn],dim=0) # 在dim=0 处拼接
ptf_tensor(tc0,'tc0 dim=0 cat')
tc1=torch.cat([tp,tn],dim=1) #在 dim=1 处拼接
ptf_tensor(tc1,'tc1 dim=1 cat') 

会有如下输出：

The info of tp:
#############################
  @dims: 2
  @size: torch.Size([3, 4])
  @ele_sum: 12
  @dtype: torch.int64
  @data:
tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])
#############################


The info of tn:
#############################
  @dims: 2
  @size: torch.Size([3, 4])
  @ele_sum: 12
  @dtype: torch.int64
  @data:
tensor([[  0,  -1,  -2,  -3],
        [ -4,  -5,  -6,  -7],
        [ -8,  -9, -10, -11]])
#############################


The info of tc0 dim=0 cat:
#############################
  @dims: 2
  @size: torch.Size([6, 4])
  @ele_sum: 24
  @dtype: torch.int64
  @data:
tensor([[  0,   1,   2,   3],
        [  4,   5,   6,   7],
        [  8,   9,  10,  11],
        [  0,  -1,  -2,  -3],
        [ -4,  -5,  -6,  -7],
        [ -8,  -9, -10, -11]])
#############################


The info of tc1 dim=1 cat:
#############################
  @dims: 2
  @size: torch.Size([3, 8])
  @ele_sum: 24
  @dtype: torch.int64
  @data:
tensor([[  0,   1,   2,   3,   0,  -1,  -2,  -3],
        [  4,   5,   6,   7,  -4,  -5,  -6,  -7],
        [  8,   9,  10,  11,  -8,  -9, -10, -11]])
#############################